如則麥麥提·米吉提， 買買提·沙吾提， 麥爾耶姆·亞森， 馬春玥

(新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院/新疆大學(xué)綠洲生態(tài)教育部重點實驗室，新疆烏魯木齊 830046)

土壤鹽漬化是土地退化的主要表現(xiàn)，灌溉引起的土壤次生鹽漬化成為限制干旱區(qū)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展的因素之一，也是影響綠洲生態(tài)環(huán)境穩(wěn)定與安全的重要因素[1]。鹽漬土是重要的耕地后備資源，及時獲取土壤鹽漬化信息，對于我國西北部干旱區(qū)的可持續(xù)發(fā)展至關(guān)重要[2-3]。遙感技術(shù)能宏觀、快速地提取地表時空信息，已成為動態(tài)監(jiān)測土壤鹽漬化的新方法[4]。鹽漬化土壤的光譜反射特征是由土壤理化性質(zhì)決定的，傳統(tǒng)遙感數(shù)據(jù)并不能完全反映土壤的光譜特征，而高光譜數(shù)據(jù)能夠提供鹽漬化土壤細(xì)微的光譜特征。光譜分辨率高、波段具有連續(xù)性強(qiáng)、光譜信息量大的優(yōu)點。闡明土壤屬性與其高光譜的關(guān)系，成為高光譜遙感技術(shù)定量監(jiān)測和提取土壤信息的重要方法，為實現(xiàn)大尺度、實時監(jiān)測土壤提供了新途徑，使定量反演土壤鹽漬化狀況成為可能[5-12]。目前，國內(nèi)外己有眾多學(xué)者對土壤鹽漬化的高光譜特征及定量、半定量做了大量的研究工作，Dehaan等觀測澳大利亞Murray-Darling盆地的鹽殼及重度、中度、輕度鹽漬土的光譜，發(fā)現(xiàn)這4類土壤在不同光譜波段有明顯的吸收作用[13]；Leone等應(yīng)用實驗室光譜進(jìn)行多元統(tǒng)計分析以評價土壤開發(fā)和土壤退化程度并建立預(yù)測模型[14-16]。劉慶生等分析了鹽分含量與上覆植被光譜的關(guān)系[17]。馬諾等通過野外調(diào)查以及實地測點，利用便攜式光譜儀測量研究區(qū)域內(nèi)不同鹽漬程度的土壤光譜，分析土壤光譜曲線與土壤鹽漬程度之間的關(guān)系[18]。劉亞秋等利用熱紅外光譜儀建立了鹽分與鹽漬化土壤發(fā)射率一階導(dǎo)數(shù)模型[19]。彭杰等對野外高光譜數(shù)據(jù)與土壤含鹽量進(jìn)行耦合分析并建立多元線性回歸建模，決定系數(shù)達(dá)到0.80[20]。丁建麗等利用高光譜數(shù)據(jù)建立的監(jiān)測模型為提取鹽漬化土壤信息提供了依據(jù)[21]。

基于此，本研究以新疆維吾爾自治區(qū)渭干河-庫車河三角洲綠洲為研究區(qū)，利用57個表層土壤樣品的室內(nèi)高光譜數(shù)據(jù)，并結(jié)合實測土壤含鹽量，研究15種數(shù)學(xué)變換處理在高光譜數(shù)據(jù)估算荒漠土壤含鹽量的可能性，并應(yīng)用偏最小二乘回歸、主成分回歸、多元逐步線性回歸建立土壤含鹽量估算模型，以期為干旱區(qū)綠洲土壤鹽漬化的高精度遙感監(jiān)測提供一種更為有效的手段。

1 材料與方法

1.1 研究區(qū)概況

胃干河-庫車河流域簡稱胃-庫綠洲，是位于我國西北部的典型干旱區(qū)綠洲。本地區(qū)行政上轄阿克蘇地區(qū)的庫車縣、沙雅縣、新河縣，地理坐標(biāo)分別為80°37′～83°59′E，41°06′～41°40′N。綠洲北部跟天山南部接壤，南部延伸到塔克拉瑪干沙漠北緣。胃-庫綠洲是胃干河-庫車河長期沉淀形成的山前沖洪積扇平原，是塔里木盆地的主要綠洲及我國重要的產(chǎn)棉區(qū)之一。該綠洲位于中緯度地區(qū)，遠(yuǎn)離海洋，氣候干燥，風(fēng)沙頻繁，降水稀少，蒸發(fā)量大，晝夜溫差大，夏季干熱，冬季干冷。年均氣溫10.5～11.4 ℃，年降水50.5～66.5 mm，年均蒸發(fā)量2 000.7～2 092.0 mm，年均無霜期 240 d。土壤以輕壤和沙壤為最多，中壤、重壤、黏土有少量分布，土壤構(gòu)成物顆粒細(xì)，透水性差。

1.2 數(shù)據(jù)采集

本研究于2016年4月中旬，在渭干河-庫車河綠洲進(jìn)行野外調(diào)查，采集57個采樣點的土壤樣品，采樣點分布見圖1。每個點分3層取樣(0～10 cm、10～30 cm、30～50 cm)，共采集171個土樣。樣品在室內(nèi)條件下自然風(fēng)干，磨碎后過2 mm篩子。其中，每個樣品分為2份，1份樣品用于測定土壤，鹽分、溶解性固體(TDS)、pH值等指標(biāo)，另1份用于土壤光譜的測定。在土水體積比為1 ∶5的土壤懸濁液中，使用便攜式多參數(shù)分析儀Multi 3420 SETB(wissens chaftlich technische werkst?tten，德國)進(jìn)行指標(biāo)測定。

測出的土壤參數(shù)值統(tǒng)計特征見表1。本研究區(qū)含鹽量最大值為69.8 g/kg，最小值為0 g/kg，平均值為20.19 g/kg，變異系數(shù)為99.15%，屬強(qiáng)變異，表明土壤鹽分分布很不均勻。土壤樣本的pH值變異系數(shù)為8.26%，屬低變異。根據(jù)土壤的分級標(biāo)準(zhǔn)，57個樣本中，非鹽漬土樣本為13個，輕、中、重度鹽漬化樣本數(shù)分別為11、10、23個。非鹽漬化土壤樣本主要以綠洲內(nèi)部為主，內(nèi)部到綠洲與荒漠邊界土壤含鹽量逐漸增加。中、重度鹽漬化土壤分布在研究區(qū)的東南部區(qū)域。

表1 土壤指標(biāo)統(tǒng)計特征

注：樣本數(shù)=171個。

表2 土壤鹽漬化程度分級標(biāo)準(zhǔn)[22]

1.3 土壤樣本光譜測定

使用FieldSpec3型光譜儀(analytical spectral devices)，波段范圍為350～2 500 nm，光譜采樣間隔分別為 1.4 nm(波段350～1 000 nm區(qū)間)和2 nm(波段1 000～2 500 nm區(qū)間)，采樣間隔為1 nm，輸出波段數(shù)為2 151個。土壤樣本光譜測定在能控制光照條件的暗室內(nèi)進(jìn)行，測試之前都要進(jìn)行白板校正，儀器光源為50 W鹵素?zé)簦祉斀菫?5°，8°視場角探頭垂直土樣表面，距離為10 cm。每個土樣分別測10次，并取其算術(shù)平均值作為該樣品的實際光譜反射率。

1.4 數(shù)據(jù)預(yù)處理與變換

將57個采樣點的表層土壤含鹽量從高到低進(jìn)行排序，等間隔選取37個作為建模集，20個作為驗證集，分別用于模型的建立以及精度驗證。將通過顯著性檢驗(P<0.01)的波段作為自變量，利用偏最小二乘回歸法(Partial Least-Squares Regression，PLSR)、主成分回歸模型(Principle Component Regression model，PCM)和多元逐步回歸模型(Multiple Stepwise Regression Model，MSRM)建立土壤含鹽量的估算模型，通過對比各模型的決定系數(shù)(Determination of Coefficients，R2)、均方根誤差(Root Mean Square Error of Prediction，RMSE)、相對分析誤差(Relative Prediction Deviation，RPD)篩選出最優(yōu)模型。R2用于判定模型的穩(wěn)定程度，取值范圍為 0～1，其值越大說明該模型的穩(wěn)定性越好；RMSE用于表征模型的準(zhǔn)確性，其值越小，表明模型的精度越高。另外，當(dāng)RPD的值小于1.4時，模型基本上可用；當(dāng)RPD的值在1.4～2.0之間時，模型估算精度一般，RPD值越大于2.0，表明模型的定量預(yù)測能力越好[25]。

2 結(jié)果與分析

2.1 土壤樣本反射光譜曲線特征

將57個土壤表層樣本反射率以土壤鹽漬化程度分級標(biāo)準(zhǔn)進(jìn)行分類再求平均，作為不同程度鹽漬化土壤樣本的光譜反射率曲線。從圖2可以看出，4條曲線變化趨勢大致相似，土壤光譜從350～1 300 nm內(nèi)波段范圍持續(xù)上升，至 1 400 nm 處出現(xiàn)一個淺水分吸收谷，之后從1 400～1 850 nm波段范圍內(nèi)繼續(xù)升高，但增加幅度較為平緩，至1 900 nm處再次出現(xiàn)一個深的水分吸收谷。土壤成分含量值在一定程度上決定了土壤光譜曲線反射率值的大小和曲線整體的走勢，含鹽量越高，反射率也高。

2.2 土壤含鹽量與光譜相關(guān)性分析

將土壤含鹽量與光譜反射率及其15種變換形式做相關(guān)系數(shù)在0.01水平上的顯著性檢驗及相關(guān)性分析。從圖3可以看出，從土壤含鹽量與光譜的相關(guān)性分析來看，反射率一階微分(圖3-b)、反射率二階微分(圖3-c)、對數(shù)相反數(shù)一階微分(圖3-i)、連續(xù)統(tǒng)去除一階微分(圖3-o)、平方根一階微分(圖3-m)、立方根一階微分(圖3-k)與土壤含鹽量數(shù)據(jù)的整體相關(guān)系數(shù)較好，并通過顯著性檢驗(P<0.01)。土壤含鹽量與R、1/R、(1/R)′、lgR、1/lgR、連續(xù)統(tǒng)去除法、反射率平方根、立方根的相關(guān)性較小，沒有通過0.01水平顯著性檢驗的波段。因此，從光譜反射率及其15種變換形式中，遴選出以上5種，只對以上5種光譜反射率變換結(jié)果分別與土壤含鹽量進(jìn)行估算模型的建立與驗證。

結(jié)果表明，單個波段所建立的模型很難預(yù)測土壤含鹽量，微分變換較好地體現(xiàn)了原始數(shù)據(jù)中隱晦的光譜信息，相關(guān)性得以提升，據(jù)此運用光低階微分處理方法，可以篩選出對土壤含鹽量敏感的特征光譜波段[26]。光譜反射率不同變換形式與土壤含鹽量特征波段的選取是選擇相關(guān)系數(shù)的峰值所對應(yīng)的光譜波段。

2.3 土壤含鹽量建模

根據(jù)以上相關(guān)分析結(jié)果得到的特征光譜波段，針對本研究的高光譜指數(shù)分別建立土壤含鹽量的偏最小二乘回歸模型，主成分回歸模型和多元逐步線性回歸模型。DPS數(shù)據(jù)處理軟件將57個土壤樣本中隨機(jī)選取的37個樣本用于建立模型，以土壤含鹽量作為因變量，以特征波段的光譜反射率作為自變量，分別建立土壤含鹽量的偏最小二乘回歸模型、主成分回歸模型和多元逐步線性回歸模型。運用偏最小二乘回歸模型見表3，主成分回歸模型和多元逐步線性回歸方法的敏感光譜波段與土壤含鹽量之間的預(yù)測模型。從表3可以看出，以原始光譜與土壤含鹽量相關(guān)性較差，相關(guān)性最大的不到 0.2，沒有超過0.01顯著性檢驗線，因此建立的模型擬合精度很差。經(jīng)過微分變換后，土壤含鹽量與高光譜的相關(guān)性有所提高，最大可達(dá)到0.47，為挖掘敏感波段呈現(xiàn)良好的效果，建立的模型估算精度較好。所選擇的5種數(shù)學(xué)變換形式當(dāng)中，基于連續(xù)統(tǒng)去除一階微分模型的決定系數(shù)最差，立方根一階微分的最好。根據(jù)決定系數(shù)R2和相對分析誤差RPD值最大、均方根誤差最小的原則，對于各種變換形式，3種預(yù)測模型都是土壤含鹽量立方根一階微分光譜特征波段為自變量時擬合最優(yōu)，R2值分別為0.68、0.65、0.85。利用多元逐步線性回歸方法建立的模型的精度最高，模型的R2、RPD和RMSE分別達(dá)到0.85、2.36、1.8?？梢允褂眠@種預(yù)測模型來定量反演土壤含鹽量，提取土壤鹽漬化信息。

表3 含鹽量回歸模型

2.4 模型精度檢驗

根據(jù)模型的精度參數(shù)，對建立的模型進(jìn)行篩選后發(fā)現(xiàn)，RPD≥2的模型只有2個，是基于平方根一階微分和立方根一階微分的多元逐步線性回歸模型建立的模型，其他模型的RPD屬于小于或等于1.5。對模型的R2、RMSE、RPD以及波段數(shù)量進(jìn)行綜合對比發(fā)現(xiàn)，基于平方根一階微分和立方根一階微分建立多元逐步回歸模型RPD、RMSE、R2最優(yōu)且參與建模的波段數(shù)量較多(19個和16個)。一階和二階微分模型對驗證樣品的含鹽量決定系數(shù)分別為0.34和 0.57，偏離1 ∶1線，模型估算精度不高。連續(xù)統(tǒng)去除一階微分模型對驗證樣品的含鹽量決定系數(shù)最差，只達(dá)到0.08。對3種建模方法而言，基于多元逐步線性回歸方法的模型精度高于其他2個方法的建模精度；利用主成分回歸方法建立的模型精度最低，R2值最高到0.68。對原數(shù)據(jù)的數(shù)學(xué)變換后整數(shù)階微分而言，一階微分處理增強(qiáng)了原數(shù)據(jù)的敏感性及建模能力。說明原始數(shù)據(jù)的平方根一階微分和立方根一階微分一定程度上可以增強(qiáng)光譜對含鹽量的敏感程度，并利用多元逐步線性回歸方法對估算土壤鹽含量具有較好的定量反演能力，且計算量相對較小，因而確定該模型為最優(yōu)模型(圖4)。

3 結(jié)論

在本研究中，通過對土壤含鹽量與高光譜指數(shù)之間的相關(guān)性分析、3種預(yù)測模型的建立以及模型精度驗證，可以得出以下結(jié)論。

在不同鹽漬化水平下，土壤的光譜特征在形態(tài)上趨于一致；在整個波譜區(qū)間，土壤的光譜反射率隨鹽漬化程度的加重呈現(xiàn)增加趨勢。

對原始高光譜數(shù)據(jù)的15種數(shù)學(xué)變換中，利用微分處理是體現(xiàn)光譜數(shù)據(jù)敏感波段效率好，經(jīng)微分變換后的高光譜指數(shù)與土壤含鹽量進(jìn)行相關(guān)性分析，篩選出對土壤含鹽量變化響應(yīng)的敏感波段，構(gòu)建基于偏最小二乘回歸、主成分回歸和多元逐步線性回歸的土壤鹽分監(jiān)測模型。結(jié)果表明，立方根一階微分變換形式為構(gòu)建預(yù)測模型的最佳光譜指標(biāo)。

對土壤含鹽量的3種回歸模型預(yù)測效果進(jìn)行檢驗，比較實測值與預(yù)測值的相關(guān)關(guān)系。結(jié)果表明，多元逐步線性回歸模型的穩(wěn)定性和預(yù)測精度高于其他2種回歸模型，證明了該方法的普適性。

本研究運用偏最小二乘回歸、主成分回歸和多元逐步線性回歸模型在實驗室內(nèi)對干旱區(qū)土壤鹽分含量的測定，對比3種回歸方法所建立模型的精度，發(fā)現(xiàn)多元逐步線性回歸模型的預(yù)測精度最高。但影響土壤光譜反射率是土壤的粒徑、粗糙度和水分含量等多種因素的綜合反映。在今后的研究中要考慮這些因素的影響。